中国科学院南京天文光学技术研究所机构知识库

随着天文探测技术的快速发展，海量的星系图像数据不断产生，能够及时高效地对星系图像进行形态分类对研宄星系的形成与演化至关重要．

针对传统的星系形态分类模型特征选择困难、分类速度慢、准确率受限等难题，提出一种以Ｉｎｃｅｐｔｉｏｎｖ３神经网络为主干结构，融合压缩激励（ＳｑｕｅｅｚｅａｎｄＥｘｃｉｔａｔｉｏｎＮｅｔｗｏｒｋ，ＳＥ） 通道注意力机制的星系形态分类模型．该模型在斯隆数字巡天（ＳｌｏａｎＤｉｇｉｔａｌＳｋｙＳｕｒｖｅｙ，ＳＤＳＳ） 样本的测试集准确率高达９９．３７％．

旋涡星系、圆形星系、中间星系、雪茄状星系与侧向星系的Ｆ１值分别为９９．３３％、９９．５８％、９９．３３％、９９．４１％与９９．１６％．该模型与Ｉｎｃｅｐｔｉｏｎｖ３、ＭｏｂｉｌｅＮｅｔ（ＭｏｂｉｌｅＮｅｕｒａｌＮｅｔｗｏｒｋ）和ＲｅｓＮｅｔ（ ＲｅｓｉｄｕａｌＮｅｕｒａｌＮｅｔｗｏｒｋ ） 网络模型相比，ＳＥＩｎｃｅｐｔｉｏｎｖ３宽度和深度优势表现出更强的特征提取能力，可以高效识别不同形态的星系，为未来大型巡天计划的大规模星系形态分类问题提供了一种新方法。